企业官网建设流程全解析

原文：towardsdatascience.com/llm-evaluation-ai-side-projects-user-friendly-data-tables-and-other-october-must-reads-6be0066008e2?source=collection_archive---------8-----------------------#2024-10-31

https://towardsdatascience.medium.com/?source=post_page---byline--6be0066008e2--------------------------------https://towardsdatascience.com/?source=post_page---byline--6be0066008e2-------------------------------- TDS Editors

·发表于 Towards Data Science ·以 新闻通讯 形式发布 ·4 分钟阅读 ·2024 年 10 月 31 日

–

是否感到受到启发，想写你的第一篇 TDS 文章？我们始终欢迎新作者的投稿。

我们似乎正处于日历上一个理想的时段——介于夏季结束和节前最后的忙碌冲刺之间，换句话说，这是一个学习、琢磨和探索的完美时机。

我们十月最受欢迎的文章反映了这种专注能量的精神，涵盖了一系列动手实践的主题。从可操作的 AI 项目构思和数据科学收入来源，到关于时间序列分析和 LLMs（大语言模型）的易懂指南，这些文章很好地代表了我们作者的广博专业知识和他们（以及我们的读者）兴趣的多样性。如果你还没阅读它们，现在正是最佳时机！

月度亮点

• 5 个你可以在这个周末用 Python 构建的 AI 项目如果你还没有准备好，别担心，马上就要动手了：我们十月最受欢迎的文章，来自Shaw Talebi，概述了几个非常有吸引力的项目构思，适合那些想将 AI 知识付诸实践的人。从简历整理工具到多模态搜索工具，这些项目为进入日益扩展的 AI 驱动产品开发世界提供了一个平滑的切入点。

• 谁真正拥有你预订的 Airbnb？——营销认知与数据分析的现实差异如果你想深入研究一个有趣的数据分析案例，Anna Gordun Peiro的最新文章正好符合你的需求。该文章基于公开数据，深入探讨了 Airbnb 的所有权模式，并向读者展示了如何在自己选择的城市进行类似的调查。

• **LLM 评估技能容易掌握（但实践成本高）**创建 LLM 解决方案需要大量的时间和资源投入，因此产品经理和机器学习工程师必须清晰准确地了解其性能。Thuwarakesh Murallie为我们详细介绍了如何利用多种评估方法和工具，以实现这一常常难以捉摸的目标。

https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/f79c6ab36a89103efbe1d93870e25cc2.png

由Ahmad Ossayli拍摄，图片来自Unsplash

• 构建用户友好数据表的 5 个原则“我常常会想，‘这列是什么意思？’‘为什么表 A 和表 B 中有两列名称相同的列？我该用哪一列？’”Yu Dong介绍了五条实用的规则，确保你的数据表对团队成员和其他利益相关者具有可访问性、可用性，并且容易理解。

• 我如何在两周内学习 LLM：一份全面的学习路线图尽管你可能认为 LLM 在过去几年里已经无处不在，但许多从业者——无论是新手还是经验丰富的专家——才刚刚开始关注这一热门话题；如果你想要一个系统化的学习方法，从基础知识（及更多）开始，不妨直接参考Hesam Sheikh的广受欢迎的课程。

• 从零开始使用初中数学理解大型语言模型如果你希望通过更有指导性的方法从零开始学习大型语言模型，可以尝试Rohit Patel的首篇 TDS 贡献：这是一个全面的、40 分钟的讲解，讲解了这些模型的内部工作原理——并且不需要任何高级数学或机器学习知识。

• 掌握时间序列分析的 5 种必知技巧从数据拆分和交叉验证到特征工程，Sara Nóbrega最近的深入分析聚焦于你需要掌握的基本工作流，以便有效进行时间序列分析。

• AI 代理：生成式 AI 中工具调用与推理的交集最近几个月，少有话题能像 AI 代理那样引发如此广泛的关注；如果你想深入了解它们的潜力（和局限性），不要错过Tula Masterman的清晰概述，该概述重点介绍了代理推理如何通过工具调用表现出来，探讨了代理在使用工具时面临的一些挑战，并涵盖了评估工具调用能力的常见方法。

• 作为数据科学家的 7 个收入来源大多数（所有？）数据专业人士都知道在科技巨头公司全职工作的福利，但将技能变现的选择远不止这些。Egor Howell提供了一个坦率的总结，回顾了他在过去几年中成为全职数据科学家后，所培养的各种收入来源。

我们最新一届的新作者

每个月，我们都非常高兴看到一批新的作者加入 TDS，他们每个人都在与我们的社区分享自己独特的声音、知识和经验。如果你正在寻找新的作者来探索和关注，只需浏览我们最新加入的作者作品，包括David Foutch、Robin von Malottki、Ruth Crasto、Stéphane Derosiaux、Rodrigo Nader、Tezan Sahu、Robson Tigre、Charles Ide、Aamir Mushir Khan、Aneesh Naik、Alex Held、caleb lee、Benjamin Bodner、Vignesh Baskaran、Ingo Nowitzky、Trupti Bavalatti、Sarah Lea、Felix Germaine、Marc Polizzi、Aymeric Floyrac、Bárbara A. Cancino、Hattie Biddlecombe、Carlo Peron、Minda Myers、Marc Linder、Akash Mukherjee、Jake Minns、Leandro Magga、Jack Vanlightly、Rohit Patel、Ben Hagag、Lucas See、Max Shap、Fhilipus Mahendra、Prakhar Ganesh，和Maxime Jabarian。

感谢您支持我们作者的工作！我们很喜欢发布新作者的文章，所以如果您最近写了一篇有趣的项目演示、教程或关于我们核心话题的理论反思，请毫不犹豫地与我们分享。

直到下一个变量，

TDS 团队